HALLMARK：如何诊断 LLM 引用验证器并判断何时部署

研究团队发布 HALLMARK 基准，含 2,526 条 BibTeX 条目、覆盖 14 种幻觉类型，并带分类型与诊断子测试标签。测试显示各验证器假阳性率相差一个数量级，智能体式查找提升召回却推高 FPR，两阶段级联配合 bibtex-updater 可避免膨胀。由于"何为幻觉"定义未统一，重打分后排名会变化，作者呼吁社区统一定义并发布重打分协议。